k-means自适应聚类算法

% ---------------------first step---------------------
% --initialize 找到距离最大的两个样本x1x2作为初始中心
%function K_means（example centerNum）
clear
clc
example = [0 0 1;
    0 1 2;
    9 10 8;
    10 9 11;
    10 10 10;
    20 20 19;
    19 17 18;
    20 18 19;
    40 41 40;
    39 40 38];
centerNum = 2;
[exampleNum exampleDimension] = size（example）;
centerNumMax =exampleNum*（exampleNum-1）/2;
distance=zeros（1centerNumMax）;
maxdice=0;
x1=0;
x2=0;
m=0;
for i=1:exampleNum
    for j=i+1:exampleNum
        m=m+1;
        distance（m） = sqrt（sum（（example（i :）-example（j :））.^2））;
        if distance（m）>maxdice;
            maxdice=distance（m）;
            x1=i;
            x2=j;
        end
    end            
end
 
% -------------------second step-----------------------
% --assign by the Euclidean distance
%将数据集剩下的数据对象分别计算到xl，x2 的距离，将其划分
%到距离小的那个中心的类中，标记，同时记下最小的距离。
center = [];
center = [center;example（x1:）;example（x2:）];    
elementNum = zeros（1 centerNum）;% --record the number of elements in each cluster
clusterElement = [];
distance = zeros（exampleNum centerNum）;
for i = 1:（exampleNum）
    for j = 1:centerNum
        %%% --distance is a matrix that indicate the Euclidean distance between the example i and the center j
        distance（i j） = sqrt（sum（（example（i :）-center（j :））.^2））;
    end
end

for i = 1:exampleNum
    [value posi] = min（distance（i :））;
    % --record the elements of each clusterElement
    elementNum（posi） = elementNum（posi） + 1;            
    clusterElement（elementNum（posi）:posi） = example（i :）;
end
% ---------------------third step------------------------
% --calculate the new center of each cluster/平均值法求新的聚类中心

newcenter = zeros（centerNum exampleDimension）;
for i = 1:centerNum
    for j = 1:elementNum（i）
        newcenter（i :） = newcenter（i :） + clusterElement（ j :i）;
    end
    newcenter（i :） = newcenter（i :）./elementNum（i）;
end
center=newcenter;
%------------------------计算DB-------------------------------

S=zeros（1centerNum）;
M=[];
R=[];
for i =1:centerNum
    s=0;
    for j =1:elementNum（i）
        s=s+sum（（clusterElement（j:i）-center（i:））.^2）;
    end
    S（i）=sqrt（s/elementNum（i））;
end
         
 
D=zeros（1centerNum）;
for i =1:centerNum
    for j=i+1:centerNum
        M（ij）=sqrt（sum（（center（i :）-center（j :））.^2））;
        R（ij）=（S（i）+S（j））/M（ij）;
        if （D（i）            D（i）=R（ij）;
        end
    end
      
end
DB=（sum（D））/centerNum;

%newCenter = [newCenter;example（x1:）;example（x2:）]; 
%------------------forth step-------------------------------
%-------借鉴最大、最小距离max{min（d（c1，j），d（c2，j））}，查找到的xj-----------
while  1
    distance = zeros（exampleNum centerNum）;
    for i = 1:（exampleNum）
        for j = 1:centerNum
        %%%